CN108073917A - 一种基于卷积神经网络的人脸识别方法 - Google Patents

一种基于卷积神经网络的人脸识别方法 Download PDF

Info

Publication number
CN108073917A
CN108073917A CN201810069954.6A CN201810069954A CN108073917A CN 108073917 A CN108073917 A CN 108073917A CN 201810069954 A CN201810069954 A CN 201810069954A CN 108073917 A CN108073917 A CN 108073917A
Authority
CN
China
Prior art keywords
layer
neural networks
convolutional neural
output
face identification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810069954.6A
Other languages
English (en)
Inventor
黎捷
宋建宏
张梦达
季淑梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yanshan University
Original Assignee
Yanshan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yanshan University filed Critical Yanshan University
Priority to CN201810069954.6A priority Critical patent/CN108073917A/zh
Publication of CN108073917A publication Critical patent/CN108073917A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Abstract

一种基于卷积神经网络的人脸识别方法，本发明涉及基于卷积神经网络的人脸识别方法。本发明为了解决现有针对小数据集的人脸识别方法准确率低、自适应差以及需要人工调参数的问题。本发明包括：一：对需要进行识别的人脸图像分为训练样本、测试样本和验证样本三类，并读取待训练的数据；二：进行归一化处理；三：构建卷积神经网络的网络结构；四：将训练样本放入步骤三构建的网络结构中进行训练，训练的过程包括前向传播和反向传播；五：将步骤四训练后的模型参数进行保存；六：使用训练后的模型参数对步骤二归一化处理后的测试样本进行检测，得到模型的检测结果。本发明用于模式识别领域。

Description

一种基于卷积神经网络的人脸识别方法
技术领域
本发明涉及模式识别领域，具体涉及基于卷积神经网络的小数据集的人脸识别方法。
背景技术
人脸识别一直是模式识别方向中的热点,主要有四种人脸识别的方法：基于几何特征的方法、基于模型的方法、基于统计的方法和基于神经网络的方法。卷积神经网络(CNN)是一种包含卷积层的神经网络，20世纪60年代，Hubel和Wiesel在研究猫的脑皮层中，用于局部敏感和方向选择的神经元时，发现其特殊的网络结构可以有效降低反馈神经网络的复杂性。受研究的启发，模型模仿视皮层的简单细胞和复杂细胞交互处理视觉信息的过程，简单细胞负责响应获得不同方向的边缘信息，而复杂细胞则负责累积相近简单细胞来输出结果，这个结构被称为Hubel-Wiesel结构。
反向传播的出现为神经网络的学习和训练过程奠定了基础。
BP算法出现的三年后，LeCun使用BP算法训练多层卷积神经网络识别手写数字，这可以说是CNN的胚胎形式.LeCun在1998年提出了第一个正式卷积神经网络LeNet-5模型，但是在下一个十年来，卷积神经网络的研究趋于停滞。2006年，可以说是深度学习觉醒的一年，迹象表明，Hinton在科学中发表了一个信息，多隐层神经网络具有更为优异的特征学习能力，并且其在训练上的复杂度可以通过逐层初始化来有效缓解。至此，在GPU加速硬件条件和大数据应用的背景下，深度学习和CNN再次迎来了一波新的高潮。2012年，CNN在ImageNet竞争中两个第一名的表现直接奠定了其重要地位，正确率超过了第二个近10％。2012年6月，纽约时报披露了Google Brain项目，由斯坦福大学机器学习教授Andrew Ng和世界领先的大型计算机系统专家Jeff Dean共同领导，使用16,000个CPU Core并行计算平台训练“深层神经网络”机器学习模式，在图像识别和语音识别领域取得了巨大的成功。2013年1月，在百度年会上，百度创始人兼首席执行官李彦宏宣布成立百度研究所深度学习研究所(IDL)，第一个重点研究方向是深度学习。2013年4月，麻省理工学院技术评论杂志将深度学习列为2013年十大突破技术。DeepFace和DeepID作为两个相对成功的高性能人脸识别和认证模型，在CNN面部识别领域成为具有里程碑意义的研究成果。泰格曼的DeepFace于2014年CVPR发表.DeepID由香港中文大学唐小University教授研究小组提出，分析了卷积神经网络的内部结构，并试图解释CNN在理论上的强大特征提取能力。这是学者第一次尝试探索CNN的基本属性。2015年，LeCun，本吉奥，Hinton在自然杂志发表了文章，总结了深度学习的发展。2016年，CNN曾经再次给人一个惊喜：Google开发了基于深度的神经网络和搜索树智能机器人“AlphaGo”击败人类。
发明内容
本发明的目的是为了解决现有针对小数据集的人脸识别方法准确率低、自适应差以及需要人工调参数的问题，而提出一种基于卷积神经网络的人脸识别方法。
一种基于卷积神经网络的人脸识别方法包括以下步骤：
步骤一：对需要进行识别的人脸图像分为训练样本、测试样本和验证样本三类，并读取待训练的数据；
步骤二：对步骤一读取训练数据后的人脸图像进行归一化处理；
步骤三：构建卷积神经网络的网络结构，结构为输入层-卷积层-卷积层-池化层-卷积层-卷积层-池化层-全连接层；
步骤四：将步骤二归一化处理后的训练样本放入步骤三构建的网络结构中进行训练，训练的过程包括前向传播和反向传播；将步骤二归一化处理后的验证样本放入步骤三构建的网络结构中进行验证，若验证样本的测试结果大于等于设定的阈值，则执行步骤五，若验证样本的测试结果小于设定的阈值，则重新执行步骤三(重新构建卷积神经网络的网络结构)；
步骤五：将步骤四训练后的模型参数进行保存；
步骤六：使用训练后的模型参数对步骤二归一化处理后的测试样本进行检测，得到模型的检测结果。
本发明的有益效果为：
本发明通过卷积神经网络来进行人脸识别，直接以图像的二维矩阵直接作为输入，通过训练样本数据进行自主学习，同时具有权值共享的特征，降低了模型的复杂度，池化层的操作增强了系统的鲁棒性，使其可以接受图像一定情况下的畸变，同时使用的Adagrad方法使本发明有更好的自适应性和鲁棒性，同时可以自适应的为各个参数分配不同的学习率。本发明采用的是采用数层神经网络的结构对人脸进行进行识别，由于网络层数不多，在小数据集上应用方便，识别率较高，而且所需时间成本更短。测试集的最终准确率达到了99.5％，即在400张数据集的识别上只有2张人脸图识别错误。
附图说明
图1为本发明的卷积神经网络的基本结构图；图中C1表示第一个卷积层，C2表示第二个卷积层，S3表示第一个池化层，C4表示第三个卷积层，C5表示第四个卷积层，S6表示第一个池化层；
图2为本发明池化过程的示意图；
图3为未加dropout的神经元连接图；
图4为使用dropout的神经元连接图；
图5为本发明模型准确率输出结果图；图中acc为准确率，val_acc为验证集准确率；
图6为本发明模型损失输出结果图；图中loss为损失，val_loss为验证集损失。
具体实施方式
具体实施方式一：如图1所示，一种基于卷积神经网络的人脸识别方法包括以下步骤：
步骤一：对需要进行识别的人脸图像分为训练样本、测试样本和验证样本三类，并读取待训练的数据，其中每一类都有与其对应的标签；
步骤二：对步骤一读取训练数据后的人脸图像进行归一化处理；
对读取的人脸图像进行归一化处理，其原因是神经网络是以样本在事件中的统计分别几率来进行训练(概率计算)和预测的，归一化是在0-1之间的统计概率分布，当所有样本的输入信号都为正值时，与第一隐含层神经元相连的权值只能同时增加或减小，从而导致学习速度很慢。为了避免出现这种情况，加快网络学习速度，可以对输入信号进行归一化，使得所有样本的输入信号其均值接近于0或与其均方差相比很小，因此增加归一化的步骤。
步骤三：构建卷积神经网络的网络结构，结构为输入层-卷积层-卷积层-池化层-卷积层-卷积层-池化层-全连接层；
步骤四：将步骤二归一化处理后的训练样本放入步骤三构建的网络结构中进行训练，训练的过程包括前向传播和反向传播；将步骤二归一化处理后的验证样本放入步骤三构建的网络结构中进行验证，若验证样本的测试结果大于等于设定的阈值，则执行步骤五，若验证样本的测试结果小于设定的阈值，则重新执行步骤三(重新构建卷积神经网络的网络结构)；
步骤五：将步骤四训练后的模型参数进行保存；
步骤六：使用训练后的模型参数对步骤二归一化处理后的测试样本进行检测，得到模型的检测结果。
具体实施方式二：本实施方式与具体实施方式一不同的是：所述卷积神经网络的结构按输入层-卷积层-卷积层-池化层-卷积层-卷积层-池化层-全连接层排列，由于ReLu函数梯度不饱和以及计算速度快的特性，因此该函数收敛的更快，所以我们选取ReLu函数作为激活函数，池化使用最大池化的方法，如图2所示，当前层的输出表示为：
xe＝f(ue)
ue＝Wexe-1+be
其中xe表示当前层的输出，ue表示激活函数的输入(当前层计算权值和偏置之后的结果)，f()表示激活函数，We为当前层的权值，be为可加偏置。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤三中池化层之后添加Dropout对网络进行断开处理，选择以0.25及0.5的概率断开神经元之间的连接。
如图3和图4所示，Dropout层可以对网络进行连接的随机断开处理，可以有效的抑制过拟合的现象。由于断开的连接数不宜过多，过少也会影响效果，因此选择以0.25及0.5的概率断开神经元之间的连接。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤三中全连接层使用Softmax将多个神经元的输出，映射到(0,1)区间内，进行分类得到分类结果。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤四中前向传播和反向传播具体为：
前向传播：输入样本从输入层进入网络，通过上一层的结点以及对应的连接权值进行加权和运算，最终结果再加上一个偏置项，最后再通过一个非线性函数(即激活函数)，如ReLu，sigmoid等函数，最后得到的结果就是本层结点的输出，最终不断的通过这种方法逐层运算，得到输出层结果。如果输出层的实际输出与期望输出不同，则转至误差反向传播；如果输出层的实际输出与期望输出相同，结束学习算法。
反向传播：将输出误差(期望输出与实际输出之差)按原通路反传计算，通过隐层反向传播直至输入层，在反传过程中将误差分摊给各层的各个单元，获得各层各单元的误差信号，并将其作为修正各单元权值的根据。这一计算过程使用Adagrad算法完成，在不停地调整各层神经元的权值和阈值后，使误差信号减小到最低限度。
权值和阈值不断调整的过程，就是网络的学习与训练过程，经过信号正向传播与误差反向传播，权值和阈值的调整反复进行，一直进行到预先设定的学习训练次数，或输出误差减小到允许的程度。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：反向传播的损失函数采用多类的对数损失，采用Adagrad算法进行优化，Adagrad可以自适应地为各个参数分配不同学习率，有更强的自适应性，而且在训练的前中期有很好的加速效果。
损失函数有较多形式，常用的有平方误差函数，多类的对数损失等。这里用多类的对数损失作为损失函数。模型是一个串联结构，用定义好的层去组建，上一层的输出后接下一层的输入。模型组建好后，需要使用优化器，如表1所示，我们对几种不同的优化器结果进行了对比，在全部迭代40次后经过对比发现Adagrad优化器在损失函数采用多类的对数损失(categorical crossentropy)时效果最好，因此我们选择Adagrad算法进行优化。
表1
优化器 训练集准确率 验证集准确率 测试集准确率
Adadelta 0.99 0.950 0.950
SGD 0.069 0.125 0.125
Adam 1.000 0.975 0.975
Adagrad 1.000 0.975 0.975
Adamax 0.99 0.975 0.975
RMSprop 0.99 0.950 0.925
Nadam 0.99 0.975 0.975
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七：本实施方式与具体实施方式一至六之一不同的是：所述步骤五中模型参数采用python保存，以便测试时使用。
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八：本实施方式与具体实施方式一至七之一不同的是：步骤四中所述设定的阈值为95％。
其它步骤及参数与具体实施方式一至七之一相同。
采用以下实施例验证本发明的有益效果：
实施例一：
步骤一：对需要进行识别的人脸图像分为训练样本、测试样本和验证样本三类，并读取待训练的数据，其中每一类都有与其对应的标签；
对人脸图像分类的具体方法为：将四百张人脸图分为训练集、验证集、测试集三类，其中训练集有320张人脸图，验证集有40张人脸图，测试集有40张人脸图，每一类的标签都为对应待测人的编号。
(1)训练集：人脸图像中随机抽取320张作为网络训练的依据，用来进行模型的估计。
(2)验证集：在人脸数据中随机抽取40张作为验证集，验证集是用来确定网络结构或者控制模型复杂程度的参数。
(3)测试集：在人脸数据中剩余的40张作为测试集，测试集是用来检验最终选择最优的模型的性能如何。
步骤二：对步骤一读取训练数据后的人脸图像进行归一化处理；
步骤三：构建卷积神经网络的网络结构，结构为输入层-卷积层-卷积层-池化层-卷积层-卷积层-池化层-全连接层；
步骤四：将步骤二归一化处理后的训练样本放入步骤三构建的网络结构中进行训练，训练的过程包括前向传播和反向传播；
步骤五：将步骤四训练后的模型参数进行保存；
步骤六：使用训练后的模型参数对步骤二归一化处理后的测试样本进行检测(对测试集的40张图片进行测试)，得到模型的检测结果。
卷积神经网络各参数设置：迭代次数设置为40次，批次大小设置为40，学习率为Adagrad预设的数值0.01，损失函数为多类的对数损失，优化器为Adagrad，依此创建神经网络进行训练以及测试。测试集的最终准确率达到了99.5％，即在400张数据集的识别上只有2张人脸图识别错误，如图5和图6所示。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (8)

1.一种基于卷积神经网络的人脸识别方法，其特征在于：所述基于卷积神经网络的人脸识别方法包括以下步骤：
步骤一：对需要进行识别的人脸图像分为训练样本、测试样本和验证样本三类，并读取待训练的数据；
步骤二：对步骤一读取训练数据后的人脸图像进行归一化处理；
步骤三：构建卷积神经网络的网络结构，结构为输入层-卷积层-卷积层-池化层-卷积层-卷积层-池化层-全连接层；
步骤四：将步骤二归一化处理后的训练样本放入步骤三构建的网络结构中进行训练，训练的过程包括前向传播和反向传播；将步骤二归一化处理后的验证样本放入步骤三构建的网络结构中进行验证，若验证样本的测试结果大于等于设定的阈值，则执行步骤五，若验证样本的测试结果小于设定的阈值，则重新执行步骤三；
步骤五：将步骤四训练后的模型参数进行保存；
步骤六：使用训练后的模型参数对步骤二归一化处理后的测试样本进行检测，得到模型的检测结果。
2.根据权利要求1所述的一种基于卷积神经网络的人脸识别方法，其特征在于：所述步骤三中卷积神经网络的结构按输入层-卷积层-卷积层-池化层-卷积层-卷积层-池化层-全连接层排列，选取ReLu函数作为激活函数，池化使用最大池化的方法，当前层的输出表示为：
xe＝f(ue)
ue＝Wexe-1+be
其中xe表示当前层的输出，ue表示激活函数的输入，f()表示激活函数，We为当前层的权值，be为可加偏置。
3.根据权利要求2所述的一种基于卷积神经网络的人脸识别方法，其特征在于：所述步骤三中池化层之后添加Dropout对网络进行断开处理，选择以0.25及0.5的概率断开神经元之间的连接。
4.根据权利要求3所述的一种基于卷积神经网络的人脸识别方法，其特征在于：所述步骤三中全连接层使用Softmax将多个神经元的输出，映射到(0,1)区间内，进行分类得到分类结果。
5.根据权利要求4所述的一种基于卷积神经网络的人脸识别方法，其特征在于：所述步骤四中前向传播和反向传播具体为：
前向传播：训练样本从输入层进入网络，通过上一层的结点以及对应的连接权值进行加权和运算，结果加上一个偏置项，通过非线性函数得到的结果就是本层结点的输出，逐层运算得到输出层结果；若输出层的实际输出与期望输出不同，则转至误差反向传播；若输出层的实际输出与期望输出相同，则结束；
反向传播：期望输出与实际输出之差按原通路反传计算，通过隐层反向传播直至输入层，在反传过程中将误差分摊给各层的各个单元，获得各层各单元的误差信号，并将误差信号作为修正各单元权值的根据，修正各单元权值过程使用Adagrad算法完成。
6.根据权利要求5所述的一种基于卷积神经网络的人脸识别方法，其特征在于：反向传播的损失函数采用多类的对数损失。
7.根据权利要求6所述的一种基于卷积神经网络的人脸识别方法，其特征在于：所述步骤五中模型参数采用python保存。
8.根据权利要求1至7任一权利要求所述的一种基于卷积神经网络的人脸识别方法，其特征在于：步骤四中所述设定的阈值为95％。
CN201810069954.6A 2018-01-24 2018-01-24 一种基于卷积神经网络的人脸识别方法 Pending CN108073917A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810069954.6A CN108073917A (zh) 2018-01-24 2018-01-24 一种基于卷积神经网络的人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810069954.6A CN108073917A (zh) 2018-01-24 2018-01-24 一种基于卷积神经网络的人脸识别方法

Publications (1)

Publication Number Publication Date
CN108073917A true CN108073917A (zh) 2018-05-25

Family

ID=62156894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810069954.6A Pending CN108073917A (zh) 2018-01-24 2018-01-24 一种基于卷积神经网络的人脸识别方法

Country Status (1)

Country Link
CN (1) CN108073917A (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086584A (zh) * 2018-06-30 2018-12-25 深圳市捷仕朗智能科技有限公司 数据处理方法、装置、计算机设备和存储介质
CN109376699A (zh) * 2018-11-30 2019-02-22 昆明理工大学 一种基于卷积神经网络的指纹识别方法
CN109447155A (zh) * 2018-10-29 2019-03-08 国家电网有限公司 一种人脸表情识别模型训练方法、装置及设备
CN109815814A (zh) * 2018-12-21 2019-05-28 天津大学 一种基于卷积神经网络的人脸检测方法
CN110188720A (zh) * 2019-06-05 2019-08-30 上海云绅智能科技有限公司 一种基于卷积神经网络的目标检测方法及系统
CN110298397A (zh) * 2019-06-25 2019-10-01 东北大学 基于压缩卷积神经网络的加热金属图像的多标签分类方法
CN110348448A (zh) * 2019-07-05 2019-10-18 黑龙江科技大学 一种基于卷积神经网络的车牌字符识别方法
CN110516615A (zh) * 2019-08-29 2019-11-29 广西师范大学 基于卷积神经网络的人车分流控制方法
CN110858280A (zh) * 2018-08-22 2020-03-03 西安工程大学 一种基于lgbphs和cnn的大规模人脸识别方法
CN110942401A (zh) * 2019-11-21 2020-03-31 黑龙江电力调度实业有限公司 一种电力物联网智能通讯方法
CN110958177A (zh) * 2019-11-07 2020-04-03 浪潮电子信息产业股份有限公司 一种片上网络路由优化方法、装置、设备及可读存储介质
CN111127495A (zh) * 2019-12-04 2020-05-08 深圳市图郅创新科技有限公司 一种关于图像关键点检测的神经网络模型建立方法
CN111160516A (zh) * 2018-11-07 2020-05-15 杭州海康威视数字技术股份有限公司 一种深度神经网络的卷积层稀疏化方法及装置
CN111292724A (zh) * 2020-02-13 2020-06-16 上海凯岸信息科技有限公司 一种基于深度学习的语音情绪识别方案
CN111339833A (zh) * 2020-02-03 2020-06-26 重庆特斯联智慧科技股份有限公司 一种基于人脸边缘计算的身份核验方法、系统与设备
CN112434790A (zh) * 2020-11-10 2021-03-02 西安理工大学 一种对于卷积神经网络判别部分黑箱问题的自解释方法
US11423634B2 (en) 2018-08-03 2022-08-23 Huawei Cloud Computing Technologies Co., Ltd. Object detection model training method, apparatus, and device

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150347820A1 (en) * 2014-05-27 2015-12-03 Beijing Kuangshi Technology Co., Ltd. Learning Deep Face Representation
CN105426875A (zh) * 2015-12-18 2016-03-23 武汉科技大学 一种基于深度卷积神经网络的人脸识别方法和考勤系统
CN106204779A (zh) * 2016-06-30 2016-12-07 陕西师范大学 基于多人脸数据采集策略和深度学习的课堂考勤方法
CN106203533A (zh) * 2016-07-26 2016-12-07 厦门大学 基于混合训练的深度学习人脸验证方法
CN106709482A (zh) * 2017-03-17 2017-05-24 中国人民解放军国防科学技术大学 基于自编码器的人物亲缘关系识别方法
CN107004115A (zh) * 2014-12-03 2017-08-01 北京市商汤科技开发有限公司 用于人脸识别的方法和系统
CN107247949A (zh) * 2017-08-02 2017-10-13 北京智慧眼科技股份有限公司 基于深度学习的人脸识别方法、装置和电子设备
CN107358223A (zh) * 2017-08-16 2017-11-17 上海荷福人工智能科技（集团）有限公司 一种基于yolo的人脸检测与人脸对齐方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150347820A1 (en) * 2014-05-27 2015-12-03 Beijing Kuangshi Technology Co., Ltd. Learning Deep Face Representation
CN107004115A (zh) * 2014-12-03 2017-08-01 北京市商汤科技开发有限公司 用于人脸识别的方法和系统
CN105426875A (zh) * 2015-12-18 2016-03-23 武汉科技大学 一种基于深度卷积神经网络的人脸识别方法和考勤系统
CN106204779A (zh) * 2016-06-30 2016-12-07 陕西师范大学 基于多人脸数据采集策略和深度学习的课堂考勤方法
CN106203533A (zh) * 2016-07-26 2016-12-07 厦门大学 基于混合训练的深度学习人脸验证方法
CN106709482A (zh) * 2017-03-17 2017-05-24 中国人民解放军国防科学技术大学 基于自编码器的人物亲缘关系识别方法
CN107247949A (zh) * 2017-08-02 2017-10-13 北京智慧眼科技股份有限公司 基于深度学习的人脸识别方法、装置和电子设备
CN107358223A (zh) * 2017-08-16 2017-11-17 上海荷福人工智能科技（集团）有限公司 一种基于yolo的人脸检测与人脸对齐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MUSAB COSKUN: "Face recognition based on convolutional neural network", 《2017 INTERNATIONAL CONFERENCE ON MODERN ELECTRICAL AND ENERGY SYSTEMS (MEES)》 *
吴尧: "基于改进的深度卷积神经网络的人脸识别", 《万方数据知识服务平台》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086584A (zh) * 2018-06-30 2018-12-25 深圳市捷仕朗智能科技有限公司 数据处理方法、装置、计算机设备和存储介质
US11605211B2 (en) 2018-08-03 2023-03-14 Huawei Cloud Computing Technologies Co., Ltd. Object detection model training method and apparatus, and device
US11423634B2 (en) 2018-08-03 2022-08-23 Huawei Cloud Computing Technologies Co., Ltd. Object detection model training method, apparatus, and device
CN110858280A (zh) * 2018-08-22 2020-03-03 西安工程大学 一种基于lgbphs和cnn的大规模人脸识别方法
CN109447155A (zh) * 2018-10-29 2019-03-08 国家电网有限公司 一种人脸表情识别模型训练方法、装置及设备
CN111160516A (zh) * 2018-11-07 2020-05-15 杭州海康威视数字技术股份有限公司 一种深度神经网络的卷积层稀疏化方法及装置
CN111160516B (zh) * 2018-11-07 2023-09-05 杭州海康威视数字技术股份有限公司 一种深度神经网络的卷积层稀疏化方法及装置
CN109376699A (zh) * 2018-11-30 2019-02-22 昆明理工大学 一种基于卷积神经网络的指纹识别方法
CN109815814A (zh) * 2018-12-21 2019-05-28 天津大学 一种基于卷积神经网络的人脸检测方法
CN109815814B (zh) * 2018-12-21 2023-01-24 天津大学 一种基于卷积神经网络的人脸检测方法
CN110188720A (zh) * 2019-06-05 2019-08-30 上海云绅智能科技有限公司 一种基于卷积神经网络的目标检测方法及系统
CN110298397A (zh) * 2019-06-25 2019-10-01 东北大学 基于压缩卷积神经网络的加热金属图像的多标签分类方法
CN110348448A (zh) * 2019-07-05 2019-10-18 黑龙江科技大学 一种基于卷积神经网络的车牌字符识别方法
CN110516615B (zh) * 2019-08-29 2022-04-08 广西师范大学 基于卷积神经网络的人车分流控制方法
CN110516615A (zh) * 2019-08-29 2019-11-29 广西师范大学 基于卷积神经网络的人车分流控制方法
CN110958177A (zh) * 2019-11-07 2020-04-03 浪潮电子信息产业股份有限公司 一种片上网络路由优化方法、装置、设备及可读存储介质
CN110942401A (zh) * 2019-11-21 2020-03-31 黑龙江电力调度实业有限公司 一种电力物联网智能通讯方法
CN110942401B (zh) * 2019-11-21 2023-12-19 黑龙江电力调度实业有限公司 一种电力物联网智能通讯方法
CN111127495A (zh) * 2019-12-04 2020-05-08 深圳市图郅创新科技有限公司 一种关于图像关键点检测的神经网络模型建立方法
CN111339833A (zh) * 2020-02-03 2020-06-26 重庆特斯联智慧科技股份有限公司 一种基于人脸边缘计算的身份核验方法、系统与设备
CN111339833B (zh) * 2020-02-03 2022-10-28 重庆特斯联智慧科技股份有限公司 一种基于人脸边缘计算的身份核验方法、系统与设备
CN111292724A (zh) * 2020-02-13 2020-06-16 上海凯岸信息科技有限公司 一种基于深度学习的语音情绪识别方案
CN112434790A (zh) * 2020-11-10 2021-03-02 西安理工大学 一种对于卷积神经网络判别部分黑箱问题的自解释方法
CN112434790B (zh) * 2020-11-10 2024-03-29 西安理工大学 一种对于卷积神经网络判别部分黑箱问题的自解释方法

Similar Documents

Publication Publication Date Title
CN108073917A (zh) 一种基于卷积神经网络的人脸识别方法
Boughrara et al. Facial expression recognition based on a mlp neural network using constructive training algorithm
CN107273845B (zh) 一种基于置信区域和多特征加权融合的人脸表情识别方法
Razmjooy et al. A hybrid neural network Imperialist Competitive Algorithm for skin color segmentation
JP6159489B2 (ja) 顔認証方法およびシステム
CN101447020B (zh) 基于直觉模糊的色情图像识别方法
CN108304826A (zh) 基于卷积神经网络的人脸表情识别方法
CN108427921A (zh) 一种基于卷积神经网络的人脸识别方法
CN107766787A (zh) 人脸属性识别方法、装置、终端及存储介质
CN110263673A (zh) 面部表情识别方法、装置、计算机设备及存储介质
Wysoski et al. On-line learning with structural adaptation in a network of spiking neurons for visual pattern recognition
CN108960304B (zh) 一种网络交易欺诈行为的深度学习检测方法
CN109740734B (zh) 一种利用优化神经元空间排布的卷积神经网络的图像分类方法
CN101916369B (zh) 基于核最近子空间的人脸识别方法
Sabrol et al. Fuzzy and neural network based tomato plant disease classification using natural outdoor images
CN108021908A (zh) 人脸年龄段识别方法及装置、计算机装置及可读存储介质
CN109376699A (zh) 一种基于卷积神经网络的指纹识别方法
CN114332545B (zh) 一种基于低比特脉冲神经网络的图像数据分类方法和装置
CN115966010A (zh) 一种基于注意力和多尺度特征融合的表情识别方法
CN112861718A (zh) 一种轻量级特征融合人群计数方法及系统
CN113011243A (zh) 基于胶囊网络的面部表情分析方法
Huang et al. Design and Application of Face Recognition Algorithm Based on Improved Backpropagation Neural Network.
CN114511912A (zh) 基于双流卷积神经网络的跨库微表情识别方法及装置
Shen et al. Facial expression recognition based on bidirectional gated recurrent units within deep residual network
CN111144497B (zh) 基于美学分析的多任务深度网络下的图像显著性预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180525